一种复杂背景下基于深度学习的电力线分类方法

摘要

一种复杂背景下基于深度学习的电力线分类方法，属于信息技术领域，包括：在图像预处理的基础上将电力线的图像文件转化为电力线标签的独热向量；将电力线图像和电力线标签的独热向量传入含有残差模块的卷积神经网络中进行特征的初提取；将提取到的初级特征分别传入不同大小卷积核的特征提取器进行多尺度特征的二次处理，并把不同尺度的图像特征在维度方向上进行融合；将每一层提取到的特征送入标签预测层，并把所有卷积层的预测结果融合输出，其输出是电力线对应标签的概率值，最后根据概率值对电力线进行预测分类。本发明的一种复杂背景下基于深度学习的电力线分类方法能在复杂环境背景下实现电力线的准确预测。

说明书

技术领域

本发明涉及一种复杂背景下基于深度学习的电力线分类方法，属于信息技术领域。

背景技术

随着日趋增长的用电需求，现代电网体系建设不断推进，日趋复杂的电力网络蔓延至世界各地，日趋庞大的电力网络无论对电网的安全、稳定、可靠性还是对无人机、直升机低空安全飞行可靠性来说，都面临着愈加严重的挑战。有效的电力线分类方法可以准确地判断出电力线的有无，可使低空飞行器巧妙避开高压电力线，亦可用于无人机电力线自主巡检中，为无人机巡线导航、电力部件故障检测及预警提供帮助。

对于电力线分类现一般采用传统经验法，通常依赖于电力线研究者通过观察电力线的多方面特征进行鉴别。此识别方法对识别者要求高，需要有相应的经验作为知识支撑，判断准确率受识别者主观影响，且误判率高。

近年来，深度学习在图像、语音等多个研究方向上有许多新的突破。从近年研究上可以看出，深度卷积神经网络可以从图像中学习出具有判别力的纹理特征，相较于传统机器学习，深度学习模型的高效性与泛化性使其成为处理图像的一种有效方法。

发明内容

有鉴于此，本发明的目的是提供一种复杂背景下基于深度学习的电力线分类方法。该方法可以实现通过识别不同环境背景下的电力线图片，达到分类电力线的作用。

本发明的目的是通过以下技术方案实现的：

一种复杂背景下基于深度学习的电力线分类方法，包括以下步骤：

步骤一、在图像预处理的基础上将电力线的图像文件转化为电力线标签的独热向量BD：(bd

步骤二、将电力线图像和电力线标签的独热向量传入含有残差模块的卷积神经网络中进行特征的初提取；

步骤三、将提取到的初级特征分别传入不同大小卷积核的特征提取器进行多尺度特征的二次处理，并把不同尺度的图像特征在维度方向上进行融合；

步骤四、将每一层提取到的特征送入标签预测层，并把所有卷积层的预测结果融合输出，其输出是电力线对应标签的概率值，最后根据概率值对电力线进行预测分类。

相比于现有技术，本发明具有如下优点：

对于传统算法，特征提取过程中由于需要人工不断的进行实验与调整模型微参数，实验趋势往往具有很大不确定性，需要较大的时间计算成本。深度学习则可以较快速且有效的提高准确率，在有限时间内可以训练出泛化性强的模型。

与现有的电力线分类不同，因为背景环境复杂交错，本发明在卷积神经网络中设计了不同形状的滤波器来提取多尺度特征，并将多尺度特征在维度上进行融合，通过把所有卷积层的预测结果依据特征贡献的比例进行融合输出来训练调整模型，从而可以实现电力线类别标签的准确预测。

附图说明

图1为本发明公开的一种复杂背景下基于深度学习的电力线分类方法的整体工作流程图；

图2为本发明所使用的残差模块结构图；

图3为本发明所使用的多尺度融合模块结构图；

图4为本发明构建的深度学习模型结构图；

图5为实验结果图；

图6为实验结果图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

如图1所示，本发明提供了一种基于深度学习模型的电力线分类方法，包括：在图像预处理的基础上将电力线的图像文件转化为电力线标签的独热向量；将电力线图像和电力线标签的独热向量传入含有残差模块的卷积神经网络中进行特征的初提取；将提取到的初级特征分别传入不同大小卷积核的特征提取器进行多尺度特征的二次处理，并把不同尺度的图像特征在维度方向上进行融合；将每一层提取到的特征送入标签预测层，并把所有卷积层的预测结果融合输出，其输出是电力线对应标签的概率值，最后根据概率值对电力线进行预测分类。

具体实施步骤如下：

步骤一、首先,将图片大小统一到224x224；然后，根据6：2：2的比例将数据集分成训练集、验证集和测试集三部分；接着，采用图像数据增强的方法对电力线图像数据集进行图像处理，以解决数据量不足的问题，即：通过对图像数据进行随机旋转等处理，以人为的方式增加电力线图像的样本量，从已有的图像数据不断生成更多的图像数据，弥补图片在数量上不足的问题，减少训练过程中的过拟合现象，得到泛化能力更强的网络。最后，将电力线的图像文件转化为电力线标签的独热向量BD：(bd

步骤二、将电力线图像和电力线标签的独热向量传入含有残差模块的卷积神经网络中进行特征的初提取。如图2残差模块输入特征矩阵以两个分支进入残差块，直线分支经过多个卷积层产生输出特征矩阵，侧分支保证了输入输出的匹配。残差模块降低了计算消耗，解决了反向传播中的梯度弥散问题；

步骤三、如图3将提取到的初级特征分别传入1*1、3*3和5*5形状的滤波器和池化滤波器进行多尺度特征的二次处理，并把不同尺度的图像特征在维度方向上进行融合。不同形状的滤波器具有不同的感受野，能够提取到多尺度的全局信息和局部特征，多尺度特征在维度方向上进行融合使网络通过训练自主选择有效特征；

步骤四、如图4将每一层提取到的特征送入标签预测层，并把所有卷积层的预测结果依据特征贡献的比例进行融合输出，其输出是电力线对应标签的概率值，最后根据概率值对电力线进行预测分类。依据特征贡献的比例进行融合输出，能够充分利用各个阶段提取到的特征进行准确分类(图5、6)。

本发明基于深度学习的方法可以广泛应用于图像分类场景中。由于不同研究实验的图像数据集不同，实验效果具有一定差别性，但实验步骤与实验过程大致相同，可以迁移到其它实验中使用。